$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

영역 기반 영상 검색을 위한 다중클래스 피드백 알고리즘

Multi-class Feedback Algorithm for Region-based Image Retrieval

초록

본 논문에서는 영역기반 영상검색의 성능 향상을 위한 피드백 알고리즘으로 다중 클래스를 갖는 확률적 신경망(Probabilistic Neural Networks)을 이용한 방법론을 제안하고 이를 영역기반 영상 검색 시스템인 FRIP(Finding Regions In the Pictures) 시스템에 적용하였다. 본 논문에서 제안하는 피드백 알고리즘은 특정 벡터가 독립적이라는 가정을 할 필요가 없으며 보다 상세한 분류를 위해 추가적인 클래스들을 추가할 수 있도록 허용하고 있다. 또한 단지 4개 층(layer)만을 가지고 있음으로 학습을 위한 계산시간이 적게 든다는 장점이 있다. 추가적으로 다음단계에서의 성능 향상을 위해 분류 단계에서 사용자의 이전 피드백 행동을 모두 히스토리(history)로 모두 기억시켜 놓고 다음 단계를 위한 가중치 학습을 위해 사용하도록 한다. 히스토리를 사용함으로써 제안하는 알고리즘은 사용자의 주관적 의도를 보다 정확하게 파악 할 수 있을 뿐만 아니라 학습을 위해 이전 단계만을 사용 했을 때 발생할 수 있는 성능 감소를 막을 수 있다. 본 논문에서는 Corel-photo CD에서 3000장의 자연 영상을 무작위로 추출하여 기존의 방법론들과 제안하는 방법론의 성능을 측정하여 본 논문에서 제안하는 방법론이 성능이 우수함을 증명하였다.

Abstract

In this paper, we propose a new relevance feedback algorithm using Probabilistic Neural Networks(PNN) while supporting multi-class learning. Then, to validate the effectiveness of our feedback approach, we incorporate the proposed algorithm into our region-based image retrieval tool, FRIP(Finding Regions In the Pictures). In our feedback approach, there is no need to assume that feature vectors are independent, and as well as it allows the system to insert additional classes for detail classification. In addition, it does not have a long computation time for training because it only has four layers. In the PNN classification process, we store the user's entire past feedback actions as a history in order to improve performance for future iterations. By using a history, our approach can capture the user's subjective intension more precisely and prevent retrieval performance errors which originate from fluctuating or degrading in the next iteration. The efficacy of our method is validated using a set of 3000 images derived from a Corel-photo CD.

저자의 다른 논문

참고문헌 (18)

  1. M. Flickner, W.Niblack, D. Petkovic, W. Equitz and R. Barber. 'Efficient and Effective Querying by Image Content,' Research Report #RJ 9203(81511), IBM Almanden Research Center, San Jose, 1993 
  2. M. Carson, S. Thomas, J M. Belongie, and J Malik. 'Blobworld : A system for region-based image indexing and retrieval,' In Proc. Int. Conf. Visual Inf Sys,.l999 
  3. Y. Hibner, L. J Guibas, and C. Tomasi, 'The earth mover's distance, multi-dimensional scaling, and color-based image retrieval,' Proceeding of the ARPA Image Understanding Workshop, pp.661-668. May, 1997 
  4. B.C. Ko, J. Peng, and H Byun, 'Region-Based Irrage Retrieval Using Probabilistic Feature Relevance Feedback,' Pattern Analysis and Applioation(PAA), Vol.4, pp.174-184, 2001 
  5. J. Peng, B. Bhanu, and S. Qing, 'Probabilistic Feature Relevance Learning for Content-Based Image Retrieval,' Computer Vision and Image Understanding, Vol.75, No.l/2, pp.150-164. 1999 
  6. Y. Rui, T. S. Huang, M Ortega and S. Mehrotra, 'Relevance Feedback: A Power Tool for Interactive Content-Based Image Retrieval,' IEEE Trans. on Circuits and Systems for Video Technology, Vol.8, No.5, pp.644-655, Sept., 1998 
  7. J.J. Rocchio, 'Relevance feedback in information retrieval,' In Gerard Salton, editor, The SMART Retrieval System-Experiments in Automatic Document Processing, pp.313-323, Prentice Hall, Englewood Cliffs, N,J., 1971 
  8. Y. Ishikawa, R. Subramanya, and C. Faloutsos, 'Mindreader : Query Databases through Multiple Examples,' In proceeding of the 24th VLDB Conference, New York, 1998 
  9. B. C. Ko, H Byun, 'FRIP: A Region-based Image Retrieval Tool Using Automatic Image Segmentation and Stepwise Boolean AND Matching,' IEEE Transaction on Multimedia, Vol.7. Issue 1, pp.105-113, Feb., 2005 
  10. Y. Rui and T. Huang, 'Optimizing Learning in Image Retrieval,' IEEE Int. Conference on Computer Vision and Pattern Recognition, June, 2000 
  11. N. Vasconcelos and A Iipprmn, 'Bayesian Relevance Feedback for Content-Based Image Retrieval,' IEEE Workshop on Content-based Access of Image and Video libraries, pp.63-67,2000 
  12. C. Meilhac and C. Naster, 'Relevance Feedback and Category Search in Image Databases,' IEEE Int. Conference on Multimedia Computing and Systems, pp.512-517, 1999 
  13. S. D. Macarhur, C. E. Bradley, and en Shyu, 'Relevance Feedback Decision Trees in Content-Based Image Retrieval,' IEEE Workshop on Content-based Access of Image and Video Libraries, pp.68-72, 2000 
  14. P. Hong, Q. Tian, T. S. Huang, 'Incorporate support vector machines to content-based image retrieval with relevance feedback,' IEEE Int. Conference on Image Processing, pp.750-753, 2000 
  15. D. F. Specht, 'Probabilistic Neural Networks and Polynomial Adaline as Complementary Techniques for Classification,' IEEE Trans. on Neural Networks, Vol.1 pp.111-121, March, 1990 
  16. R. O. Duda, P. E. Hart, D. G. Stork, Pattern Classification, A Wiley- Interscience Publication, Second Edition, 2000 
  17. L. Wu, C. Faloutsos, K. Sycara, and T. R. Payne, 'FALCON,:Feedback adaptive loop for content-based retrieval,' Int. Conf. Of Very Large Database(VLDB),pp.10-14, Sept. 2000 
  18. C. Carson, S. Belongie, H. Greenspan, J. Malik, 'Blobworld : image segmentation using expectation-maximization and its application to image querying,' IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol.24 No.8, pp.1026-1038, 2002 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일